Ներածություն

Արհեստական ինտելեկտի (AI) և մեքենայական ուսուցման (ML) արագ էվոլյուցիան հանգեցրել է գործակալական AI-ի զարգացմանը՝ AI-ի մի տեսակ, որը կարող է ինքնուրույն գործողություններ ձեռնարկել և որոշումներ կայացնել: Այս տեխնոլոգիան հեղափոխության ներուժ ունի ծրագրային ապահովման ճարտարապետության և DevOps ավտոմատացման մոտեցումներում: Այս հոդվածում մենք կուսումնասիրենք գործակալական AI, Large Language Models (LLMs) և նվագախմբային գործիքների ինտեգրումը, ինչպիսիք են LangChain-ը և DSPy-ը՝ ծրագրային ապահովման ճարտարապետությունը, ենթակառուցվածքը և DevOps գործընթացները ավտոմատացնելու համար:

Ի՞նչ է Agentic AI-ն:

Agentic AI-ն վերաբերում է AI-ի մի տեսակին, որը կարող է ինքնուրույն գործողություններ ձեռնարկել և որոշումներ կայացնել: Սա ի տարբերություն ավանդական AI համակարգերի, որոնք սովորաբար նախագծված են որոշակի առաջադրանքներ կատարելու և մի շարք նախապես սահմանված կանոնների հետևելու համար: Գործակալական AI համակարգերը, մյուս կողմից, նախագծված են ավելի ինքնավար և հարմարվող լինելու համար՝ թույլ տալով նրանց սովորել իրենց միջավայրից և որոշումներ կայացնել՝ ելնելով սեփական նպատակներից և խնդիրներից:

LLM-ների դերը գործակալական AI-ում

Լեզուների մեծ մոդելները (LLM) արհեստական ինտելեկտի մի տեսակ են, որոնք վերապատրաստվում են հսկայական քանակությամբ տեքստային տվյալների վրա և ունակ են մարդուն նման լեզու ստեղծել: LLM-ները գործակալական AI համակարգերի հիմնական բաղադրիչն են, քանի որ դրանք ապահովում են մարդկային լեզուն հասկանալու և առաջացնելու ունակություն: Սա թույլ է տալիս գործակալական AI համակարգերին շփվել մարդկանց և այլ համակարգերի հետ ավելի բնական և ինտուիտիվ ձևով:

Նվագախմբի գործիքներ՝ LangChain և DSPy

Նվագախմբի գործիքները, ինչպիսիք են LangChain-ը և DSPy-ը, նախատեսված են տարբեր համակարգերի և բաղադրիչների միջև փոխազդեցությունները կառավարելու և համակարգելու համար: Այս գործիքները հնարավորություն են տալիս սահմանել և իրականացնել աշխատանքային հոսքեր, որոնք կարող են ներառել այնպիսի առաջադրանքներ, ինչպիսիք են տվյալների մշակումը, մոդելի ուսուցումը և տեղակայումը:

LangChain

LangChain-ը բաց կոդով նվագախմբային գործիք է, որն ապահովում է ճկուն և ընդարձակելի շրջանակ աշխատանքային հոսքերի կառուցման և կառավարման համար: LangChain-ը նախատեսված է համակարգերի և բաղադրիչների լայն շրջանակի հետ աշխատելու համար, ներառյալ LLM-ները, տվյալների բազաները և API-ները:

DSPy

DSPy-ը Python-ի վրա հիմնված նվագախմբային գործիք է, որն ապահովում է աշխատանքային հոսքերը սահմանելու և իրականացնելու պարզ և ինտուիտիվ եղանակ: DSPy-ը նախատեսված է համակարգերի և բաղադրիչների լայն շրջանակի հետ աշխատելու համար, ներառյալ LLM-ները, տվյալների բազաները և API-ները:

Ծրագրաշարի ճարտարապետության և DevOps գործընթացների ավտոմատացում

Գործակալական AI, LLM-ները և նվագախմբի գործիքները, ինչպիսիք են LangChain-ը և DSPy-ն, կարող են օգտագործվել ծրագրային ապահովման ճարտարապետության և DevOps գործընթացների լայն շրջանակ ավտոմատացնելու համար: Որոշ օրինակներ ներառում են.

Կոդերի ավտոմատ վերանայում. Գործակալական AI համակարգերը կարող են օգտագործվել ծածկագիրը վերանայելու և պոտենցիալ խնդիրները հայտնաբերելու համար, ինչպիսիք են վրիպակները և անվտանգության խոցելիությունները:
Ավտոմատացված փորձարկում. Գործակալական AI համակարգերը կարող են օգտագործվել թեստավորումն ավտոմատացնելու համար, ներառյալ միավորի թեստավորումը, ինտեգրման թեստը և վերջից մինչև վերջ թեստավորումը:
Ավտոմատացված տեղակայում. Գործակալական AI համակարգերը կարող են օգտագործվել տեղակայումն ավտոմատացնելու համար, ներառյալ կոդի, կազմաձևման և այլ ռեսուրսների տեղակայումը:
Ավտոմատացված մոնիտորինգ. Գործակալական AI համակարգերը կարող են օգտագործվել մոնիտորինգի ավտոմատացման համար, ներառյալ համակարգի աշխատանքի, անվտանգության և այլ չափումների մոնիտորինգը:

Գործնական Իրականացում

Այս բաժնում մենք կտրամադրենք պարզ օրինակ, թե ինչպես օգտագործել LangChain-ը և DSPy-ը՝ ծրագրային ապահովման ճարտարապետությունը և DevOps գործընթացը ավտոմատացնելու համար:

Օրինակ՝ Կոդերի վերանայման ավտոմատացում

Այս օրինակում մենք կօգտագործենք LangChain-ը և DSPy-ը՝ կոդի վերանայման ավտոմատացման համար: Մենք կսահմանենք աշխատանքային հոսք, որը ներառում է հետևյալ քայլերը.

Կոդերի վերլուծություն. Աշխատանքային հոսքը կօգտագործի LLM ծածկագիրը վերլուծելու և հնարավոր խնդիրները հայտնաբերելու համար:
Կոդերի վերանայում. Աշխատանքային հոսքը կօգտագործի գործակալական AI համակարգ՝ կոդը վերանայելու և հնարավոր խնդիրները հայտնաբերելու համար:
Կոդերի տեղակայում. Աշխատանքային հոսքը կօգտագործի տեղակայման գործիք՝ կոդը արտադրական միջավայրում տեղակայելու համար:

Ահա մի օրինակ, թե ինչպես կարելի է իրականացնել այս աշխատանքային հոսքը՝ օգտագործելով LangChain և DSPy. «Պիթոն». ներմուծման լանգշղթա langchain import LLM-ից

Սահմանեք LLM-ը

llm = LLM ("text-davinci-003")

Սահմանեք գործակալական AI համակարգը

ai_system = langchain.AgenticAI()

Սահմանեք աշխատանքի ընթացքը

աշխատանքային հոսք = langchain. Workflow ( քայլեր=[ langchain.Step( name = "Կոդերի վերլուծություն", func=llm.analyze_code, inputs={"code": "def hello_world(): print('Hello World')"}, ), langchain.Step( name = "Code review", func=ai_system.review_code, inputs={"code": "def hello_world(): print('Hello World')"}, ), langchain.Step( name = "Կոդերի տեղակայում", func=langchain.deploy_code, inputs={"code": "def hello_world(): print('Hello World')"}, ), ] )

Կատարեք աշխատանքային հոսքը

workflow.execute()

Այս կոդը սահմանում է աշխատանքային հոսք, որը ներառում է երեք քայլ՝ կոդի վերլուծություն, կոդի վերանայում և կոդի տեղակայում: Աշխատանքային հոսքը օգտագործում է LLM՝ կոդը վերլուծելու համար, գործակալական AI համակարգ՝ կոդը վերանայելու համար, և տեղակայման գործիք՝ կոդը արտադրական միջավայրում տեղակայելու համար:

## Լավագույն 5-10 Ամենաօգտագործվող հրամաններ/հատվածներ

Ահա 5-10 ամենաշատ օգտագործվող հրամանները/հատվածները LangChain-ի և DSPy-ի համար.

1. «langchain.Workflow(steps=[...])»: Սահմանեք աշխատանքային հոսք մի քանի քայլերով:
2. «langchain.Step(name="...", func=..., inputs={...})՝ սահմանել մեկ քայլ աշխատանքային հոսքում:
3. `llm.analyze_code(inputs={"code": ...})`. Օգտագործեք LLM կոդը վերլուծելու համար:
4. «ai_system.review_code(inputs={«code»: ...})»: Օգտագործեք գործակալական AI համակարգ՝ կոդը վերանայելու համար:
5. `langchain.deploy_code(inputs={"code": ...})`: Տեղադրեք կոդը արտադրական միջավայրում:
6. «langchain.AgenticAI()»: Ստեղծեք գործակալական AI համակարգի օրինակ:
7. «langchain.LLM()»: Ստեղծեք LLM-ի օրինակ:
8. «langchain.deploy_code()»: Տեղադրեք կոդը արտադրական միջավայրում:
9. «langchain.execute_workflow()»: Կատարեք աշխատանքային հոսք:
10. «langchain.get_workflow_status()»: Ստացեք աշխատանքային հոսքի կարգավիճակ:

## Վիզուալիզացիա

Ահա մի օրինակ, թե ինչպես կարելի է պատկերացնել աշխատանքային հոսքը՝ օգտագործելով Chart.js.
```ջսոն
{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Կոդերի վերլուծություն», «Կոդերի վերանայում», «Կոդերի տեղակայում»],
    «տվյալների հավաքածուներ»:
      {
        "label": "Աշխատանքային հոսքի քայլեր",
        «տվյալներ»: [10, 20, 30],
        "backgroundColor":
          «rgba(255, 99, 132, 0.2)»,
          «rgba(54, 162, 235, 0.2)»,
          «rgba(255, 206, 86, 0.2)»
        ],
        «սահմանի գույն»՝ [
          «rgba(255, 99, 132, 1)»,
          «rgba(54, 162, 235, 1)»,
          «rgba(255, 206, 86, 1)»
        ],
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «ընտրանքներ»: {}
}

Այս կոդը սահմանում է գծապատկեր՝ երեք պիտակներով՝ կոդի վերլուծություն, կոդի վերանայում և կոդի տեղակայում: Գծապատկերը ցույց է տալիս աշխատանքային հոսքի յուրաքանչյուր փուլում քայլերի քանակը:

Եզրակացություն

Գործակալական AI-ն, LLM-ները և նվագախմբային գործիքները, ինչպիսիք են LangChain-ը և DSPy-ն, կարող են հեղափոխել ծրագրային ապահովման ճարտարապետության և DevOps ավտոմատացման մեր մոտեցումները: Ավտոմատացնելով այնպիսի առաջադրանքներ, ինչպիսիք են կոդի վերանայումը, փորձարկումը և տեղակայումը, մենք կարող ենք բարելավել մեր զարգացման գործընթացների արդյունավետությունն ու արդյունավետությունը: Այս հոդվածում մենք ուսումնասիրել ենք այս տեխնոլոգիաների ինտեգրումը և տրամադրել ենք պարզ օրինակ, թե ինչպես դրանք օգտագործել ծրագրային ապահովման ճարտարապետությունը և DevOps գործընթացը ավտոմատացնելու համար:

Agentic AI-ի կիրառում ծրագրային ապահովման ճարտարապետության և DevOps ավտոմատացման համար